一种新颖的差分混合蛙跳算法

在使用智能优化算法处理函数优化问题时,保持种群的多样性及加快种群的收敛速度可以提升一个算法的性能.针对混合蛙跳算法在寻优过程中易陷入局部最优和早熟收敛的缺点,本文提出了一种新颖的差分混合蛙跳算法.该算法借鉴差分进化中的变异交叉思想,在前期利用子群中其他个体的有用信息来更新最差个体,增加局部扰动性,以提高种群的多样性;在后期为加快收敛速度使用最好个体的信息进行变异交叉操作.同时本文使用归档集进一步保留种群的多样性.仿真测试结果表明:该算法在求解优化问题时较基本蛙跳算法和平均值蛙跳算法具有更好的寻优性能.     

基于差分扰动的混合蛙跳算法

针对基本混合蛙跳算法在处理复杂函数优化问题时容易陷入局部最优、求解精度低的缺点,借鉴差分进化中的变异思想,提出了一种改进的混合蛙跳算法,利用子群中其他个体的有利信息,对其更新策略进行局部扰动。实验结果表明,改进的混合蛙跳算法对复杂函数优化问题具有较强的求解能力。算法寻优效率高、全局性能好、优化结果稳定,性能明显优于所比较的算法。     

基于混沌优化策略的SFLA算法

针对基本混合蛙跳算法的缺陷, 提出了一种基于混沌优化策略的改进混合蛙跳算法(SFLA)。在青蛙更新策略中引入自适应扰动机制, 平衡了算法搜索深度, 并利用高斯变异算子代替随机更新操作, 提高了算法搜索速度; 在全局迭代中借鉴混沌优化策略思想, 以概率形式对最优个体进行优化, 避免了族群陷入局部最优, 并证明了改进算法以概率1收敛于全局最优解。最后用MATLAB对测试函数进行了仿真, 仿真结果表明改进的混合蛙跳算法在收敛速度、优化精度上有较大改善。     

基于自适应权重调整与差分进化策略的并行式混合蛙跳算法

针对标准混合蛙跳算法（SFLA）在复杂优化问题中出现的收敛速度慢、求解精度不高和运行效率低等问题,提出了一种基于自适应权重调整与差分进化（DE）策略的并行式混合蛙跳算法（P-DE-ASFLA）。在局部搜索过程中,采用邻近学习策略更新子群中的最优个体以加快算法的收敛;采用动态蛙跳规则更新子群中的最差个体以避免算法早熟收敛;在全局搜索过程中,采用DE策略对混合后的种群进行基因更新,增强算法的全局寻优能力。同时基于主从式并行架构,采用多进程技术使子群的局部搜索过程并行化,大幅提高了算法的运行效率。实验结果表明,所提算法在6个标准测试函数中的求解质量和运行效率要远优于标准SFLA和DE算法。     

混沌混合蛙跳算法

针对基本混合蛙跳算法(Shuffled Frog Leaping Algorithm,简称SFLA),收敛速度慢,优化精度低的问题,提出了混沌混合蛙跳算法。将混沌优化思想引入到蛙跳算法中,利用混沌运动的随机性和遍历性,对全局最优个体Xg或随机更新策略中的最差个体Xw进行混沌优化,并用优化结果随机替代当前种群中的某个体或Xw,通过这种处理增强了蛙跳算法摆脱局部极值点的能力,提高了算法的收敛速度和精度。通过对6个测试函数和背包问题进行优化实验,仿真结果表明,混沌混合蛙跳算法的优化性能明显优于基本混合蛙跳算法和相关文献中的改进算法。     

基于改进蛙跳算法的无线传感器网络覆盖优化

针对传统算法在解决无线传感器网络覆盖优化上存在的覆盖率较低和节点分布不够均匀的问题,提出了一种改进的蛙跳算法;为了同时达到增加算法的种群多样性和加快算法收敛速度的目的,改进蛙跳算法分别增加了个体高斯学习机制和根据粒子群思想改进的更新策略,让族内最差个体在自身附近进行局部搜索,若无效,则使族内最差个体同时向族内最优个体和全局最优个体学习;在性能评估实验中,对改进的蛙跳算法分别进行了标准函数测试和无线传感器网络覆盖优化测试;测试结果表明,在6个标准测试函数中,改进的蛙跳算法与其他算法相比在4个测试函数上的收敛精度有了明显提高;在无线传感器网络覆盖优化中,改进的蛙跳算法也能够使节点分布更加均匀,使网络覆盖率达到了85.6%。     

基于混合差分进化算法的梯级水电站调度研究

针对梯级水电站优化调度的复杂问题,结合差分进化算法和混合蛙跳算法各自优势,提出一种新的混合差分进化算法。该算法将差分进化策略嵌入到混合蛙跳算法框架中,对整个群体循环进行分组进化与混合操作,而在每个分组内部按照差分进化策略对个体不断进行更新。数值实验表明该算法具有较强的全局搜索能力,克服了基本差分进化算法易早熟收敛的缺点。将该算法应用于梯级水电站中长期优化调度实例,并与传统动态规划法进行比较分析,进一步验证了其可行性与有效性。     

一种改进的混合蛙跳和K均值结合的聚类算法

传统K均值聚类(KMC)算法过分依赖初始值的设置,容易陷入局部最优;混合蛙跳算法(SFLA)存在收敛速度和搜索速度较慢、局部和全局信息交流不全面等缺点。针对以上缺点,首先提出一种改进的混合蛙跳算法(MSFLA)。该算法根据粒子群优化和差分进化思想,在青蛙个体变异时,引入上一次移动距离的权重惯性系数和缩放因子,从种群中的最优位置和历史最优位置之间的随机点出发,以子群内的青蛙的平均值和最差位置差值为步长进行青蛙个体的更新操作。再将MSFLA与KMC算法结合提出MSFLA-KMC算法,有效地克服了KMC算法过分依赖初始值设置问题,同时降低了KMC算法陷入局部最优的可能性。实验结果表明,MSFLA具有较强的寻优能力,MSFLA-KMC算法则具有更好的聚类性能。     

基于中心点双阈值模糊子群的混合蛙跳算法

针对基本混合蛙跳算法寻优精度不高和易陷入局部最优的缺陷,提出一种基于中心点双阈值模糊子群的混合蛙跳算法。通过随机方式选择各子群中心点,利用青蛙到各子群中心点的距离度量子群内青蛙的紧密程度。用优化方法计算各子群的绝对阈值和相对阈值,提出中心点双阈值模糊子群划分策略对青蛙群体划分子群。在一次局部搜索中,依据中心点隶属度与绝对阈值、相对阈值之间关系对子群最差个体更新方法进行改进。仿真结果表明,中心点双阈值模糊子群划分策略和子群最差个体更新方法有效可行。固定参数时算法在单峰值和多峰值函数寻优问题上收敛速度和精度均有显著提高,变化参数时算法在高维函数上保持较好的优化性能,在适宜的邻近青蛙个数条件下优化性能最优。     

一种基于阈值选择策略的改进混合蛙跳算法

混合蛙跳算法（SFLA）是一种全新的后启发式群体进化算法,具有高效的计算性能和优良的全局搜索能力。对混合蛙跳算法的基本原理进行了阐述,针对算法局部更新策略引起的更新操作前后个体空间位置变化较大,降低收敛速度这一问题,提出一种基于阈值选择策略的改进混合蛙跳算法。通过不满足阈值条件的个体分量不予更新的策略,减小了个体空间差异,从而改善了算法性能。数值实验证明了该改进算法的有效性,并对改进算法的阈值参数进行了率定。     

若干新型智能优化算法对比分析研究

智能优化算法(IOA)指的是一类以自然界的生物生存进化过程或物理现象为算法原理,用于解决最优化问题的算法,较为知名的智能优化算法有遗传算法、粒子群算法、模拟退火算法等。智能优化算法属于启发式方法,广泛应用在解决最优化问题上,传统的群智能算法为解决一些实际问题提供了新思路。随着科学技术的进步和应用场景的改变,传统的智能优化算法在收敛速度、求解精度等方面已无法满足日益复杂的优化问题,因此不断有新的更高效的智能优化算法被提出。选取了近几年国内外提出的几种新型智能优化算法:蝴蝶优化算法(BOA)、飞蛾扑火算法(MFO)、正弦余弦优化算法(SCA)、蝗虫优化算法(GOA)、哈里斯鹰优化算法(HHO)、麻雀搜索算法(SSA)。阐述了各算法的基本原理、算法步骤、相关的改进策略及存在的优缺点。为客观对比各算法性能,进一步通过3种类型共21个测试函数及6个指标评价各算法性能,最后归纳总结各算法的特点并对智能优化算法的发展前景进行展望。     

一种新的融合粒子群算法的混合蟑螂群算法

针对连续蟑螂算法存在初始解质量不高和算法评价次数过多的问题,提出了一种融合了粒子群算法的混合蟑螂群算法并应用于函数优化问题.首先由基本粒子群算法快速收敛到解空间内一个相对优的解,然后由一种改进的蟑螂算法完成全局寻优.仿真结果显示:混合蟑螂算法具有收敛速度快、求解精度高的特点,其算法整体性能优于已存在的连续蟑螂算法.     

三种混合粒子群算法比较

混合粒子群算法是融合其它算法或技术特性来针对性地对基本粒子群算法进行改进的一类算法.文中对其中有代表性的三种:交叉粒子群、免疫粒子群、混沌粒子群展开了比较研究,分别从混合目的、混合基本方式、混合算法实现的关键步骤、混合算法的优化性能等多个方面对这三种混合算法进行了比较.通过这些比较,总结出了三种混合算法基本的混合方式及...     

一种基于模式搜索算子的人工萤火虫优化算法

人工萤火虫算法是群智能领域近年出现的一个新的研究方向,该算法已在复杂函数优化方面取得了成功,但也存在着易陷入局部极小且进化后期收敛速度慢等问题.而模式搜索具有很强的搜索能力,但其搜索结果的好坏在很大程度上依赖于初始点的选择.结合两者的优缺点,提出一种基于搜索算子的人工萤火虫算法.该算法在人工萤火虫算法全局搜索过程中融入模式搜索法,改进人工萤火虫算法全局搜索和局部搜索能力.仿真实验结果表明,该算法收敛速度和解的精度显著地提高,是求解函数优化问题的一种可行和有效的方法.     

基于一种自适应选择机制的混合优化算法

针对于微分进化(DE)和粒子群优化(PSO)算法收敛精度较低和收敛速度慢的缺点,提出了基于这两种算法的混合优化算法DEPSO。该算法引入了两个新的变量指标,即在迭代过程中种群个体适应值有所优化的概率及种群的全局最优值的变化情况,通过采用这两个变量所形成的一个二维合理的选择机制,实现下一个迭代过程中关于算法的选择迭代问题。该算法一方面参数较少,实现简单;另一方面,利用新引入的第二个变量指标避免种群陷入早熟。对几种典型的测试函数进行数值模拟实验,结果表明与传统的算法比较,新的算法具有收敛精度高和收敛速度快的特点,同时对于高维的问题依然表现出较好的效果。     

具有分工策略的量子粒子群优化算法

基于量子行为的粒子群优化算法是一种随机的全局优化搜索新方法.介绍了PSO算法和QPSO算法,在对QPSO算法和基于分工策略的PSO算法分析的基础上,提出了基于分工策略的QPSO算法,然后对新算法进行实验.实验结果表明,新算法在收敛性和取得最优值方面优于基于分工策略的PSO算法.     

Ecogeography-based optimization: Enhancing biogeography-based optimization with ecogeographic barriers and differentiations

Biogeography-based optimization (BBO) is a bio-inspired metaheuristic based on the mathematics of island biogeography. The paper proposes a new variation of BBO, named ecogeography-based optimization (EBO), which regards the population of islands (solutions) as an ecological system with a local topology. Two novel migration operators are designed to perform effective exploration and exploitation in the solution space, mimicking the species dispersal under ecogeographic barriers and differentiations. Experimental results show that the EBO outperforms the basic BBO and several other popular evolutionary algorithms (EAs) on a set of well-known benchmark problems. We also present a real-world application of the proposed EBO to an emergency airlift problem in the 2013 Ya׳an–Lushan Earthquake, China.     

Intel Knights Corner的结点级内存访问优化

传统编程优化(Traditional Programming Optimization,TPO)在Intel Knights Corner(KNC)上收效甚微,因此提出内存访问优化(Memory Access Optimization,MAO)。将MAO应用到已经过TPO的程序Diffusion 3D上,发现其性能仍然提高了39.1%。主要有2个贡献:1)提出MAO,认为TPO+MAO有助于在KNC上获取最优化性能;2)发现对于stencil代码,基于intrinsic的MAO比基于编译器的MAO更高效。这些发现对于在KNC上优化大规模应用有启发意义。